4  Déplacements pour le motif commerce

4.1 Proposition de méthode

L’évaluation des flux effectifs de mobilité professionnelle quotidienne repose sur la disponibilité d’une matrice origine destination très riche, disponible pour chaque année de recensement au niveau intercommunal, décrivant donc les flux de mobilité professionnelle quotidienne usuelle¹ pour toute la France. Cette information est également disponible pour les mobilités scolaires. En revanche, pour les autres motifs de déplacement, on ne dispose pas d’un équivalent.

¹ Et donc sans information de fréquence.

En particulier, le motif commerce est plus complexe à appréhender parce que les lieux de commerces sont nombreux, bien plus nombreux que les lieux d’étude ou de travail. Or le motif commerce est un élément important des mobilités. Le tableau 4.1 donne les valeurs agrégées moyenne pour un adulte en France hors Ile de France. Le motif « courses » représente 15% des kilomètres parcourus.

Tableau 4.1. Enquête mobilité des personnes 2019

Aire attraction 200-700k
km par personne par an
	par actif	par adulte
	travail	travail	etudes	courses	autres	total
km
très dense	5 922 [5 244, 6 750]	2 744 [2 406, 3 172]	885 [710, 1 100]	1 136 [971, 1 323]	2 166 [1 818, 2 575]	6 950 [6 394, 7 610]
densité intermédiaire	8 334 [7 062, 9 708]	4 084 [3 417, 4 799]	1 395 [965, 1 928]	1 736 [1 390, 2 083]	3 049 [2 523, 3 604]	10 265 [9 319, 11 340]
peu dense	9 952 [8 814, 11 102]	5 407 [4 687, 6 170]	1 827 [1 478, 2 238]	1 895 [1 576, 2 228]	4 178 [3 509, 5 068]	13 335 [12 266, 14 397]
très peu dense	11 135 [6 326, 15 620]	6 445 [3 478, 9 257]	3 225 [1 612, 5 145]	1 408 [763, 2 276]	1 870 [617, 3 521]	12 990 [9 998, 16 644]
total	7 929 [7 345, 8 547]	3 918 [3 616, 4 273]	1 334 [1 152, 1 539]	1 503 [1 366, 1 659]	2 963 [2 681, 3 308]	9 731 [9 270, 10 233]
relatif
très dense	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]
densité intermédiaire	1.4 [1.1, 1.7]	1.5 [1.2, 1.8]	1.6 [1, 2.3]	1.5 [1.2, 1.9]	1.4 [1.1, 1.8]	1.5 [1.3, 1.7]
peu dense	1.7 [1.4, 2]	2 [1.6, 2.4]	2.1 [1.5, 2.8]	1.7 [1.3, 2.1]	1.9 [1.5, 2.5]	1.9 [1.7, 2.1]
très peu dense	1.9 [1.1, 2.6]	2.3 [1.2, 3.5]	3.6 [1.6, 6.3]	1.3 [0.66, 2.1]	0.89 [0.28, 1.7]	1.9 [1.4, 2.4]
total	1.3 [1.2, 1.5]	1.4 [1.3, 1.6]	1.5 [1.3, 1.9]	1.3 [1.2, 1.5]	1.4 [1.2, 1.6]	1.4 [1.3, 1.5]
Source : EMP 2019, 11.5M adultes (AGE>=18) dans la zone 3k observations dans EMP19 512 répétitions de rééchantillonage entre crochets : intervalle de confiance à 95%

Nous proposons une méthode qui consiste à construire :

1. un indicateur de proximité pour chaque carreau de résidence. Cet indicateur est construit en analysant dans le voisinage de chqeu carreau (par exemple à 15 minutes de marche en retenant le seuil de la ville du quart d’heure) le nombre de commerces, leur diversité et leur taille. En agrégeant ces dimensions, on peut associer à chaque carreau un nombre qui résume la proximité des commerces. Les aménités (ici principalement des commerces ou des services aux ménages) sont connues à partir des fichiers fonciers et des codes utilisateurs NAF qui y sont renseignés. Ceci permet de décliner l’indicateur de proximité selon 4 grands types d’aménités (commerces alimentaires, commerces non alimentaires, sorties, santé humaine). Cet indicateur de proximité synthétise beaucoup d’informations géographiques, mais il n’est pas interprétable directement.

2. A partir de l’Enquête Certifiée CEREMA (EMC²), on peut identifier les comportements des ménages et les relier à l’indicateur de proximité. En effet l’EMC² délivre une information de localisation assez fine, permet d’identifier les motifs et de repérer les caractéristiques socio économiques des individus. L’information de localisation correspond peu ou prou à la définition de l’IRIS graphique 4.1. Cette information ne permet pas de construire une matrice origine destination, c’est-à-dire une information comparable à la donnée du recensement MOPBRO, parce que l’EMC² repose sur un échantillon insuffisamment représentatif à la maille de l’IRIS. Pour construire une matrice origine destination détaillée au niveau le plus fin, il faudrait un échantillon bien plus important. En injectant l’indicateur de proximité dans les zones de résidence de l’EMC², on contourne ce problème d’échantillon.

3. On peut alors estimer des modèles économétriques reliant les distances parcourues et les fréquences aux différentes informations sur l’individu et sur la géographie de son lieu de résidence. Ce modèle peut alors être utilisé pour projeter ces comportements augmentés de la géographie au carreau 200m.

Le périmètre de l’EMC² est plus large que celui de l’EPCI AMP. Nous limitons notre analyse de l’accès aux zones commerciales au périmètre de l’EPCI (AMP) et donc « oublions » les observations de l’EMC² qui sont en dehors.

Graphique 4.1. Subdivisions de l’EMC²

4.2 Construction d’un indicateur de proximité des aménités

4.2.1 Sources de données

La première étape est d’identifier les opportunités. Une des difficultés est la versalité des motifs commerciaux associés à la grande quantité de commerces disponibles sur le territoire. Nous proposons ici d’agréger les surfaces commerciales pour chaque carreau en distinguant 4 grandes catégories de commerce. Ces catégories reprennent, avec réinterprétation, le travail réalisé par l’AUPA².
Notre source principale est celle des fichiers fonciers. Elle donne une information fine sur les secteurs utilisateur du local (code NAF à 5 caractères pour l’entreprise utilisatrice) dans lequel on peut distinguer un commerce de chaussure d’une pharmacie, une supérette d’une grande surface alimentaire. Ce sont des couches agrégées de commerces pour des types de ménages identifiés. Elle permet d’associer au commerce une surface (variable sprincp des fichiers fonciers).

² Merci à Théo Shayer, Ludovic Verre et Luc Garnier pour nous avoir partagé leur méthodologie.

Nous classons les commerces en 4 catégories : alimentaire, commerces (non alimentaires), sorties, santé humaine.

La classification est indiquée dans le tableau 4.2. Par rapport aux choix de l’AUPA, nous avons considéré que les pharmacies étaient des commerces « ordinaires » et limité la notion de santé humaine aux cabinets médicaux (généralistes, spécialistes ou dentistes) en excluant les hôpitaux. Comme nous tenons compte de la surface, les hôpîtaux auraient dominé cette catégorie sans que cela ait vraiment du sens. Le but recherché est de quantifier l’usage habituel de la santé et donc la proximité de services de santé.

Tableau 4.2. Classification des commerces en catégories fonctionnelles

	NAF	Remarques
Alimentaire
COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE A PREDOMINANCE ALIMENTAIRE	4711x	—
COMMERCE DE DETAIL EN MAGASIN SPECIALISE ALIMENTAIRE	4721x; 4722x; 4723x; 4724x; 4725x; 4729x	—
Commerces
AUTRE COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE	4719x	—
AUTRE COMMERCE DE DETAIL (INFORMATIQUE TÉLÉCOM EQUIPEMENT FOYER BIENS CULT HABITS...)	474x; 475x; 476x; 477x	inclut les pharmacies
COMMERCE SPECIALISE TABAC	4726	—
BLANCHISSERIE, COIFFURE, SOIN ET ENTRETIEN CORPOREL	960xx	—
Sortie
RESTO CAFET' RAPIDE	5610x	—
DEBIT DE BOISSON	5630x	—
PROJECTION CINEMA	5914x	—
Santé humaine
8621 GÉNÉRALISTES, 8622 SPÉCIALISTES, 8623 DENTISTES	862xx	exclut les hopitaux

Les fichiers fonciers, bien que construit pour la perception d’une taxe comportent parfois des informations curieuses, pouvant laisser croire à un bruit. Par exemple, certaines surfaces commerciales sont très importantes (il existe des supérettes de plus de 100 000 m²) ou la notion de surface principale est parfois ambigue (comme le montre celle qui est retenue pour les campings). Nous utilisons donc avec prudence cette donnée en la limitant suivant certaines catégories. Ainsi, le tableau 4.3 donne les intervalles dans lesquels sont contraintes les surfaces principales.

Tableau 4.3. Limites de surface

	Code NAF	Minimum (m²)	Maximum (m²)
COMMERCE DE DETAIL DE PRODUITS SURGELES	4711A	20	500
COMMERCE D ALIMENTATION GENERALE	4711B	20	120
SUPERETTES	4711C	120	400
SUPERMARCHES	4711D	400	2500
MAGASINS MULTI-COMMERCES	4711E	50	600
HYPERMARCHES	4711F	2500	28200

Les sources alternatives aux fichiers fonciers sont :

1. la base des équipements. A notre connaissance, depuis le changement de nomenclature dans la base des fichiers fonciers de 2018, les fichiers fonciers excluent les entités juridiques qui n’ont pas d’activité et cette modification rapproche la source équipement de la source fichiers fonciers.
2. Des enquêtes sur les commerces, comme l’enquête BD COM 2020 à Paris, présentée par l’APUR. Ce type d’enquête est assez robuste car il repose sur des observations directes des surfaces commerciales ouvertes au public. En revanche, le champ géographique est habituellement trop limité (ici uniquement la commune de Paris). Nous n’avons pas connaissance d’une enquête comparable pour l’agglomération AMP.
3. La base de données OpenStreetMap, en accès libre. Réalisée à partir d’une information participative, elle constitue une alternative simple à mobiliser³. Dans nos analyses préliminaires, elle recoupe assez bien les fichiers fonciers tout en illustrant certains problèmes d’identification (par exemple, des établissements considérés comme « supermarchés » dans les fichiers fonciers sont répertoriés comme épicerie dans OSM et les implémentations (taille du pâté de maison) donnent plutôt raison à OSM. C’est pour limiter cet effet que nous avons cappé les surfaces.

³ Elle contient des informations également sur les trafics illégaux (stupéfiants), ce qui peut être intéressant à exploiter.

Nous tenons compte enfin de la diversité des commerces à partir de l’information des fichiers fonciers. Par exemple, pour la catégorie fonctionnelle commerce nous agrégeons les surfaces commerciales, en les multipliant par un indice de diversité qui est minimum lorsqu’une seule espèce de commerce est présente et maximal lorsque toutes les espèces sont représentées. Ce type d’indicateur est souvent utilisé en écologie. Il permet donc de donner plus de poids à un bouquet diversifié de commerce totalisant 1 000 m² plutôt qu’à un unique commerce (un garage disons) de 1 000 m².

4.2.2 Formalisation

Formellement, l’indicateur de proximité des aménités \mathcal{A} est construit comme :

\mathcal{A}_c = \left( \sum_{j \in V_{15 \space min}(i), j\in J} {s_j^\alpha \times w_J^{1-\alpha}}\right)^\beta \times \sum_{j \in V_{15 \space min}(i), j \in J} {\frac {1}{w_J \times p_J^2}}

La première partie de l’indicateur \mathcal{A} est la somme des surfaces dans le vosinage de chaque carreau de résidents à moins de 15 minutes (en marchant ou en transport en commun). La seconde partie de l’indicateur permet de prendre en compte la diversité des commerces accessibles dans le voisinage. Le terme p_j est ainsi la part des commerces de la catégorie J (par exemple, parmi les commerces alimentaires, une boucherie, une poissonerie, une épicerie sont autant de catégories qui ont un code NAF à 5 caractères spécifiques). Le paramètre w_J accorde aux catégories un poids en diversité, permettant de compter les grandes surfaces alimentaires comme contribuant plus à la diversité qu’une surface commerciale spécialisée.

Le rôle des paramètres \alpha et \beta est de moduler l’expression \mathcal{A}_c. Plus \alpha est proche de 0, plus ce sont les commerces en tant qu’entité qui sont comptabilisés, indépendament de leur taille. Pour \alpha égal à 1, ce sont les m² de commerce qui comptent, une grande surface de 1 000 m² valant 100 fois plus qu’une échoppe de 10 m². Le paramètre \beta limite l’effet multiplicatif de la surface.

A ce stade, nous n’avons pas beaucoup d’éléments pour choisir les divers paramètres (w_i, \alpha, \beta). Nous avons fixé des valeurs a priori, afin de pouvoir étudier des variantes et évaluer la différence d’analyse produite. Nous verrons que l’indicateur est utilisé non pas en tant que tel, mais principalement par quantile, ce qui le rend insensible à des transformations monotones. L’heuristique consiste à choisir \alpha et w_i de façon à ce que les surfaces ne comptent pas trop. Si on considère un groupe de 6 commerces spécialisés de 100m², on souhaite que ces commerces soient comparables à un super marché de 2500m². En choisissant w_i = 6 pour le supermarché et \alpha = 0.25 la surface ajustée vaut 3,4 pour les 6 commerces et 4,2 pour le supermarché. Pour des commerces spécialisés de 50m², la surface ajustée serait de 3,1 et de 4,7 pour un hypermarché de 5000 m². Ce choix donne donc une importance modérée aux surfaces.

Le paramètre \beta est sélectionné de façon à égaliser les rapports inter-quantiles de la surface ajustée. Ceci conduit à donner un poids égal à la diversité et à la surface ajustée dans la surface équivalente. En changeant le paramètre \beta on peut modifier ce ratio.

Pour les différents super type de commerces, le tableau suivant résume le nombre d’espèce et quelques statistiques essentielles :

Tableau 4.4. Types de commerces

	Espèces pondérés	Espèces brutes	Nbr d'unités	surface
				1er décile	médiane	10e décile
Alimentaire	12	7	7502	25,0	79,0	855,9
Commerces non alimentaires	42	36	26520	21,0	55,0	280,0
Santé humaine	44	44	6080	17,0	63,0	167,0
Bars, restaurants, cinémas	5	5	5404	21,0	60,0	203,0

	surface ajustée			diversité			surface équivalente
	1er décile	médiane	10e décile	1er décile	médiane	10e décile	1er décile	médiane	10e décile
Alimentaire	3,8	9,5	27,0	3,5	7,7	10,7	16,3	72,8	274,9
Commerces non alimentaires	3,8	9,6	30,2	3,5	8,1	11,9	13,7	76,1	347,6
Santé humaine	2,6	7,8	23,3	1,8	4,4	6,9	5,0	35,8	144,7
Bars, restaurants, cinémas	1,7	3,8	11,2	1,0	2,1	2,8	1,7	8,4	29,3

4.2.3 Indicateur de proximité des aménités pour AMP

Graphique 4.2. Cartes de l’accessibilité aux aménités

Cartes statiques

Alimentation

Autres commerces

Sorties

Santé humaine

Cartes interactives

Alimentation

Autres commerces

4.2.4 Lien entre les différents indicateurs

Les indicateurs de proximité pour chaque grande catégorie de commerces sont fortement corrélés entre eux. C’est ce qui ressort des graphiques suivants (graphique 4.3).

Graphique 4.3. Corrélation entre indicateurs de proximité

4.2.5 Densité et proximité

Les graphiques suivants (graphique 4.4) explorent le lien entre densité et proximité. La corrélation est importante mais moins forte qu’entre les indicateurs.

Graphique 4.4. Lien densité accessibilité aux commerces

Sur la base de ces données, on construit des modèle simples de régression reliant la densité et la proximité des aménités. Ces modèles sont résumés dans le tableau suivant (tableau 4.5).

Tableau 4.5. Modèles de régression densité/proximité

	\(R^2\)	\(c\)
Alimentaire	59.5%	0.87 (0.004)
Commerces non alimentaires	62.2%	0.9 (0.004)
Bars, restaurants, cinémas	53.3%	0.48 (0.003)
Santé humaine	60.4%	0.72 (0.004)
Synthétique1	65.3%	0.84 (0.004)
Le modèle estimé est \(log(\mathcal(A)_c) = c \times log(dens) + \varepsilon\) où chaque carreau est une observation et la densité est le nombre d’habitants dans un rayon de 15 minutes à pied.
1 La proximité synthétique est constuire en ajoutant 5 fois la proximité alimentaire à 3 fois celle des commerces non alimentaires, 2 fois les sorties et une fois la santé humaine, par un raisonnement de fréquence de fréquentation

On peut représenter les résidus de ces modèles sur une carte. Cela donne un indicateur de l’abondance de commerces relativement à la densité de population.

Graphique 4.5

Alimentaire

Non alim.

Sorties

Santé humaine

Synth.

4.2.6 Répartition de la population en fonction de la proximité

Le graphique suivant est construit en classant la population par proximité croissante. On découpe ensuite en centile la population et on calcule pour chaque centile les valeurs moyennes qui composent l’indicateur de proximité (que l’on peut lire en survolant le graphique avec la souris).

Graphique 4.6. Courbe de Lorenz, accessibilité aux aménités

4.3 Proximité et EMC²

On injecte les indicateurs d’accès aux commerces (les 4 types) ainsi que deux indicateurs de densité (densité simple et pondérée par la population) dans les zones de résidence de l’EMC² AMP. On peut alors confronter les distances parcourues en voiture à la valeur moyenne des indicateurs sur chacune des zones. Le graphique indique une nette corrélation négative pour les 6 indicateurs retenus, ici découpés en quantile. Ce type de graphique permet de calibrer l’indicateur sur la distance parcourue.

Graphique 4.7. Distance parcourue par décile de proximité aux aménités

On confirme cette analyse en effectuant des régressions (log)linéaires en utilisant les déciles des indicateurs en variables explicatives. 3 variables de contrôle ont été ajoutées (revenu par unité de consommation moyen de la zone (en log), part des individus avec enfants dans la population, part des actifs occupés dans la population). Les résultats confirment les éléments déjà vus. Les zones de résidence qui comportent moins de 10 individus sondés par l’EMC² sont exclues de l’analyse sans que cela ne modifie véritablement les résultats.

1. les indicateurs des différentes aménités (regroupées en 4 grandes catégories) sont très proches en termes d’explication de la distance parcourue en voiture. La densité ou la densité pondérée expliquent également les distances parcourues en voiture, avec quelques nuances (par exemple, le revenu ne joue plus). Les variables de contrôle (part des individus avec enfants, part des actifs occupés) sont significatifs, d’un signe interprétable et assez constants parmi les variables expliquées.

2. La distance parcourue décroît nettement avec l’accessibilité aux commerces ou la densité. Ce résultat important valide la construction de ces indicateurs et permet de les calibrer. Par ailleurs, l’effet trouvé est important, puisque entre le premier décile d’accès aux aménités (en gros pas d’aménités accessibles à pied en moins de 15 minutes) et le dernier (zones très denses et très dotées) est de l’ordre de 4 (entre ×4,3 et ×3,1 suivant les indicateurs)⁴.

3. Les cœfficients estimés permettent éventuellement de distinguer des catégories d’accessibilité, en regroupant les déciles quant ils ont des cœfficients proches. En se basant sur l’indicateur pour les commerces alimentaires, les 3 premiers déciles peuvent être regroupés en une seule catégorie où l’accessibilité aux aménités n’est pas assez élevée pour empêcher l’utilisation de la voiture. D’après la graphique 4.6, cela correspond à un niveau de proximité moyen aux commerces alimentaires d’environ 32 (surface équivalente) ce qui est relativement élevé : en moyenne la diversité y atteint 5,7, soit un peu plus de la moitié de la diversité maximale et la surface brute est de l’ordre de 500 m² de surface commerciale. C’est quelque chose qui correspond à 3 commerces alimentaires. On peut ensuite inclure les 3 déciles suivants, pour un effet de réduction de 1,5 des distances parcourues et les 4 derniers déciles, avec une distinction possible pour le dernier décile. Cette catégorisation illustre le calibrage que permet l’analyse de régression.

⁴ Cette valeur se lit sur le tableau en prenant le cœfficient du dernier décile, moins celui du premier (égal à 0 par référence) et en élevant e à la puissance de cette différence.

Tableau 4.6. Modèles de régression sur les zones de l’EMC²

	\(R^2\)	\(\bar{R}^2\)	nobs	rev_uc	enfants	actoccup	se	constante
Alimentaire	31.7%	30.4%	646	0.33** (0.16)	-0.27* (0.16)	0.59*** (0.22)	-0.23*** (0.02)	-1.01 (1.63)
Com. non alim.	29.5%	28.2%	646	0.52*** (0.16)	-0.28* (0.16)	0.53** (0.22)	-0.22*** (0.02)	-2.99* (1.6)
Bars, ...	29.3%	28.0%	646	0.52*** (0.16)	-0.34** (0.17)	0.54** (0.22)	-0.3*** (0.03)	-2.97* (1.61)
Santé humaine	29.7%	28.4%	646	0.53*** (0.15)	-0.23 (0.16)	0.42* (0.22)	-0.22*** (0.02)	-2.98* (1.59)
Densité	31.9%	30.6%	646	-0.05 (0.17)	-0.2 (0.16)	0.48** (0.22)	-0.33*** (0.03)	2.88 (1.76)
Densité pondérée	28.0%	26.6%	645	-0.05 (0.18)	-0.15 (0.16)	0.41* (0.22)	-0.38*** (0.04)	2.85 (1.91)
Le modèle estimé est pour chque zone où le nombre d’individus sondés est supérieur à 10. L’équation du modèle est \(log(d) = a log(rev_{uc}) + b p_{enf} + c p_{act} + d_i \mathcal{A}_i + e + \varepsilon\) où les \(i\) sont les quantiles pondérés par la population de l’indicateur de proximité (le premier quantile vaut 1 pour les 10% de la population qui ont la proximité la plus faible). Le premier décile est la valeur de référenc et n’est pas estimé

	d1	d2	d3	d4	d5	d6	d7	d8	d9	d10	déciles
Alimentaire	0 ref	-0.29** (0.11)	-0.22* (0.11)	-0.43*** (0.12)	-0.47*** (0.12)	-0.46*** (0.12)	-0.7*** (0.12)	-0.81*** (0.12)	-1.02*** (0.12)	-1.46*** (0.13)
Com. non alim.	0 ref	-0.1 (0.12)	-0.18 (0.12)	-0.42*** (0.12)	-0.27** (0.12)	-0.43*** (0.12)	-0.52*** (0.12)	-0.69*** (0.13)	-0.97*** (0.13)	-1.23*** (0.13)
Bars, ...	0 ref	-0.1 (0.11)	-0.22* (0.12)	-0.3** (0.12)	-0.46*** (0.12)	-0.29** (0.12)	-0.48*** (0.12)	-0.6*** (0.13)	-0.92*** (0.13)	-1.29*** (0.13)
Santé humaine	0 ref	-0.3*** (0.11)	-0.25** (0.12)	-0.32*** (0.12)	-0.55*** (0.12)	-0.61*** (0.12)	-0.74*** (0.13)	-0.82*** (0.13)	-1.16*** (0.12)	-1.13*** (0.13)
Densité	0 ref	-0.19* (0.11)	-0.25** (0.11)	-0.31*** (0.12)	-0.49*** (0.11)	-0.86*** (0.12)	-0.83*** (0.12)	-0.85*** (0.13)	-1.2*** (0.13)	-1.48*** (0.14)
Densité pondérée	0 ref	-0.17 (0.12)	-0.28** (0.12)	-0.39*** (0.12)	-0.49*** (0.12)	-0.69*** (0.12)	-0.76*** (0.13)	-0.9*** (0.13)	-1.29*** (0.14)	-1.32*** (0.15)
Le modèle estimé est pour chque zone où le nombre d’individus sondés est supérieur à 10. L’équation du modèle est \(log(d) = a log(rev_{uc}) + b p_{enf} + c p_{act} + d_i \mathcal{A}_i + e + \varepsilon\) où les \(i\) sont les quantiles pondérés par la population de l’indicateur de proximité (le premier quantile vaut 1 pour les 10% de la population qui ont la proximité la plus faible). Le premier décile est la valeur de référenc et n’est pas estimé

4.4 Densité inversée

A partir des données de distance (ou de temps de parcours), de la localisation des résidents et des localisations des aménités, on puet construire un indicateur dit de « densité inversée » par lequel on représente la population qu’on balaye (soit à 15 minutes de marche ou de transport en commun, soit à 30 minutes de voiture).

Graphique 4.8. Densité inversée, 15 minutes marche à pied et TC et 30 minutes en voiture

4.5 Projection des distances et estiation des émissions de CO₂ spatialisées

Nous avons utilisé la version individus des modèles de régression évoqués plus haut. Ces modèles reprennent comme variables explicatives la proiximité fdes commerces et les informations socio économiques disponibles dans l’EMC² et que l’on peut reconstruire au carreau 200m. Ces variables sont le niveau de vie, la structure familliale et le statut d’occupation (actif occupé ou non). La différence principale avec le modèle estimé sur les zones de l’EMC² est que l’on ajoute une équation pour la probabilité de faire ses courses le jour de l’enquête et une équation pour la distance parcourue si on fait ses courses ce jour là. Dans le modèle estimé sur zones, cette distinction n’est pas nécessaire parce qu’on calcule une moyenne des distances parcourues entre ceux qui font des courses et ceux qui n’en font pas.

Une fois le modèle estimé, il est projeté au carreau 200m en suivant la méthode déployée dans Parodi et Timbeau (2024). Pour chaque carreau, on projette le modèle pour chaque catégorie de ménage (ici dans chaque carreau, il y a 8 catégories de ménages) et on fait la moyenne des distances projettées par carreau pondérée par la proportion par carreau de chaque catégorie. Le niveau de vie n’est connu qu’en moyenne au carreau, il est donc appliqué à toutes les catégories de ménage du carreau. Une fois aggrégées par carreau, on applique un cœfficient fixe pour estimer le CO₂ par individu par an lié au motif commerce.

Graphique 4.9. Estimation du CO₂ par individu pour le motif course projetté au carreau 200m

Références bibliographiques

Parodi M., Timbeau X. (2024). « MEAPS&Gravitaire : Estimations à la Rochelle », Document de travail de l’OFCE, n° 4-2024.